CN105573123A - 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 - Google Patents
一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 Download PDFInfo
- Publication number
- CN105573123A CN105573123A CN201610035191.4A CN201610035191A CN105573123A CN 105573123 A CN105573123 A CN 105573123A CN 201610035191 A CN201610035191 A CN 201610035191A CN 105573123 A CN105573123 A CN 105573123A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- thermal power
- generating unit
- power generating
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法,首先,采用模糊聚类方法确立最优聚类数;其次,基于最小二乘法T-S模糊模型后件参数的辨识;最后,设计多步预测控制器。本发明方法可以使机炉协调系统在火电机组大范围调整负荷时,在整个工况范围内依然保证优良的调节品质和较强的鲁棒性,对改善发电系统的运行性能具有重要意义。预测算法本身实现了T-S模糊建模和多步预测控制的有机融合,实现了机炉协调系统的预测控制,算法先进、预测精度高。
Description
技术领域
本发明涉及火电组机炉协调控制领域,特别是涉及一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法。
背景技术
随着电网和单元机组容量的不断扩大,现代电力系统的规模和复杂程度正在显著增加,电网综合自动化要求实现自动发电控制(AGC)的机组越来越多,同时为了满足用户对提高电能质量的要求,电厂自动化水平和控制性能品质越发显的重要。
锅炉-汽机(机炉)是火力发电机组中的主要设备,通过对其控制来改善发电系统的运行性能具有重要的价值。现有的机炉协调控制系统大多采用多回路结构的单输入单输出PID控制器,在预定的基本工况(负荷)点整定好控制器参数并固定下来。然而,目前很多大、中型火电机组需根据电网要求大范围调整负荷,以致机组运行严重偏离设计工况,机炉对象的动态特性变化较大。基于经典单输入单输出策略的常规PID设计,在大的工况范围内不能提供很好的性能。
发明内容
发明目的:本发明的目的是提供一种可以使火电厂机炉协调系统在整个工况范围内保证优良的调节品质和较强的鲁棒性的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法,包括以下的步骤:
S1:采用模糊聚类方法确立最优聚类数;
S2:基于最小二乘法T-S模糊模型后件参数的辨识;
S3:设计多步预测控制器。
进一步,所述步骤S1包括以下的步骤:
S1.1:给定数据集X={X1,…,XN},设定聚类数c=2和权重参数m=2,初始化隶属度矩阵U;其中,X1,…,XN表示第1个数据到第N个数据;
S1.2:当迭代次数为L时,计算第i个聚类的中心值:
其中,L为非负整数,为第L次迭代时隶属度矩阵U的第k行第i列,xk为第k个输入量,N为采集的历史数据总个数;
S1.3:定义第k个输入量与第i个聚类的距离为||xk-vi||,用式(2)将U(L)=[uki (L)]更新为U(L+1)=[uki (L+1)],其中U(L)和U(L+1)表示第L次和第L+1次迭代后的隶属度矩阵;
S1.4:如果||U(L+1)-U(L)||<ε,则转至步骤S1.5;否则,令L=L+1,返回步骤S1.2;其中,ε为容许误差;
S1.5:确立最优聚类数的有效性指标S:
其中||φ(vk)-φ(vj)||2表示第k个聚类与第j个聚类的空间距离,||φ(vk)-φ(vj)||2=K(vk,vk)+K(vj,vj)-2K(vk,vj),||φ(xk)-φ(vi)||2表示第k个输入量与第i个聚类的空间距离,||φ(xk)-φ(vj)||2=K(xk,xk)+K(vj,vj)-2K(xk,vj),K(x,y)表示高斯核函数,K(x,y)=exp[-(x-y)2/σ2],σ2是样本与样本均值的绝对值的和的平均,n表示聚类数;
S1.6:根据有效性指标计算第c个聚类时的指标S(c),如果S(c-1)>S(c-2)且S(c-1)>S(c),则聚类结束,聚类数为c=c-1;否则c=c+1,转至步骤S1.2。
进一步,所述步骤S2包括以下的步骤:
S2.1:对火电厂机炉协调系统中采集的历史数据进行整理,构造模型输入数据矩阵和模型输出数据向量y;
S2.2:由式(5)计算出T-S模糊模型的后件参数:
其中,
其中,d表示第d个样本,且d=1,…N.,初始值θ(0)=0和P(0)=aI,其中I是单位矩阵,a=300,为第d个样本的输入—输出观测向量,T表示矩阵转置,其中表示第i个聚类中心与第j个输入量的隶属度,P(d)是第d个样本的协方差矩阵,K(d)是第d个样本的增益向量。
进一步,所述步骤S3包括以下的步骤:
S3.1:在采样时刻k,利用测得的y(k)和上一时刻的控制信号u(k-1),将T-S模糊模型转化为状态空间描述,得到模型M(k),令M(k+i)=M(k),i=1,…,N,根据二次型性能指标函数J求出最优控制律u(k):
u(k)=u(k-1)+Δu(k)(9)
式中,Np为预测时域长度,Nu为控制时域长度,yr(t+k)为t+k时刻的参考值,为t+k时刻的预测值,Δu(t+k-1)为第t+k-1时刻的控制增量,Δu(k)为第k时刻的控制增量,u(k-1)为k-1时刻的控制量,u(k)为k时刻的控制量;
S3.2:将u(k)和y(k)代入T-S模糊模型中,计算出预测输出ym(k+1);
S3.3:判断M(k+N)是否被求出:如果是,则跳至步骤S3.4,否则,则对T-S模糊模型在工作点(ym(k+1),u(k))处转化为状态空间描述,得到模型M(k+1),令k=k+1,返回步骤S3.1;
S3.4:基于M(k),M(k+1),…M(k+N)重新求解最优控制律,也即计算出k时刻作用于系统的控制信号u(k)。
有益效果:本发明方法可以使机炉协调系统在火电机组大范围调整负荷时,在整个工况范围内依然保证优良的调节品质和较强的鲁棒性,对改善发电系统的运行性能具有重要意义。预测算法本身实现了T-S模糊建模和多步预测控制的有机融合,实现了机炉协调系统的预测控制,算法先进、预测精度高。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本发明公开了一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法,如图1所示,包括以下的步骤:
S1:采用模糊聚类方法确立最优聚类数;
S2:基于最小二乘法T-S模糊模型后件参数的辨识;
S3:设计多步预测控制器。
进一步,所述步骤S1包括以下的步骤:
S1.1:给定数据集X={X1,…,XN},设定聚类数c=2和权重参数m=2,初始化隶属度矩阵U;其中,X1,…,XN表示第1个数据到第N个数据;
S1.2:当迭代次数为L时,计算第i个聚类的中心值:
其中,L为非负整数,为第L次迭代时隶属度矩阵U的第k行第i列,xk为第k个输入量,N为采集的历史数据总个数;
S1.3:定义第k个输入量与第i个聚类的距离为||xk-vi||,用式(2)将U(L)=[uki (L)]更新为U(L+1)=[uki (L+1)],其中U(L)和U(L+1)表示第L次和第L+1次迭代后的隶属度矩阵;
S1.4:如果||U(L+1)-U(L)||<ε,则转至步骤S1.5;否则,令L=L+1,返回步骤S1.2;其中,ε为容许误差;
S1.5:确立最优聚类数的有效性指标S:
其中||φ(vk)-φ(vj)||2表示第k个聚类与第j个聚类的空间距离,||φ(vk)-φ(vj)||2=K(vk,vk)+K(vj,vj)-2K(vk,vj),||φ(xk)-φ(vi)||2表示第k个输入量与第i个聚类的空间距离,||φ(xk)-φ(vj)||2=K(xk,xk)+K(vj,vj)-2K(xk,vj),K(x,y)表示高斯核函数,K(x,y)=exp[-(x-y)2/σ2],σ2是样本与样本均值的绝对值的和的平均,n表示聚类数;
S1.6:根据有效性指标计算第c个聚类时的指标S(c),如果S(c-1)>S(c-2)且S(c-1)>S(c),则聚类结束,聚类数为c=c-1;否则c=c+1,转至步骤S1.2。
进一步,所述步骤S2包括以下的步骤:
S2.1:对火电厂机炉协调系统中采集的历史数据进行整理,构造模型输入数据矩阵和模型输出数据向量y;
S2.2:由式(5)计算出T-S模糊模型的后件参数:
其中,
其中,d表示第d个样本,且d=1,…N.,初始值θ(0)=0和P(0)=aI,其中I是单位矩阵,a=300,为第d个样本的输入—输出观测向量,T表示矩阵转置,其中表示第i个聚类中心与第j个输入量的隶属度,P(d)是第d个样本的协方差矩阵,K(d)是第d个样本的增益向量。
进一步,所述步骤S3包括以下的步骤:
S3.1:在采样时刻k,利用测得的y(k)和上一时刻的控制信号u(k-1),将T-S模糊模型转化为状态空间描述,得到模型M(k),令M(k+i)=M(k),i=1,…,N,根据二次型性能指标函数J求出最优控制律u(k):
u(k)=u(k-1)+Δu(k)(9)
式中,Np为预测时域长度,Nu为控制时域长度,yr(t+k)为t+k时刻的参考值,为t+k时刻的预测值,Δu(t+k-1)为第t+k-1时刻的控制增量,Δu(k)为第k时刻的控制增量,u(k-1)为k-1时刻的控制量,u(k)为k时刻的控制量;
S3.2:将u(k)和y(k)代入T-S模糊模型中,计算出预测输出ym(k+1);
S3.3:判断M(k+N)是否被求出:如果是,则跳至步骤S3.4,否则,则对T-S模糊模型在工作点(ym(k+1),u(k))处转化为状态空间描述,得到模型M(k+1),令k=k+1,返回步骤S3.1;
S3.4:基于M(k),M(k+1),…M(k+N)重新求解最优控制律,也即计算出k时刻作用于系统的控制信号u(k)。
Claims (4)
1.一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法,其特征在于:包括以下的步骤:
S1:采用模糊聚类方法确立最优聚类数;
S2:基于最小二乘法T-S模糊模型后件参数的辨识;
S3:设计多步预测控制器。
2.根据权利要求1所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法,其特征在于:所述步骤S1包括以下的步骤:
S1.1:给定数据集X={X1,…,XN},设定聚类数c=2和权重参数m=2,初始化隶属度矩阵U;其中,X1,…,XN表示第1个数据到第N个数据;
S1.2:当迭代次数为L时,计算第i个聚类的中心值:
其中,L为非负整数,为第L次迭代时隶属度矩阵U的第k行第i列,xk为第k个输入量,N为采集的历史数据总个数;
S1.3:定义第k个输入量与第i个聚类的距离为||xk-vi||,用式(2)将U(L)=[uki (L)]更新为U(L+1)=[uki (L+1)],其中U(L)和U(L+1)表示第L次和第L+1次迭代后的隶属度矩阵;
S1.4:如果||U(L+1)-U(L)||<ε,则转至步骤S1.5;否则,令L=L+1,返回步骤S1.2;其中,ε为容许误差;
S1.5:确立最优聚类数的有效性指标S:
其中||φ(vk)-φ(vj)||2表示第k个聚类与第j个聚类的空间距离,||φ(vk)-φ(vj)||2=K(vk,vk)+K(vj,vj)-2K(vk,vj),||φ(xk)-φ(vi)||2表示第k个输入量与第i个聚类的空间距离,||φ(xk)-φ(vj)||2=K(xk,xk)+K(vj,vj)-2K(xk,vj),K(x,y)表示高斯核函数,K(x,y)=exp[-(x-y)2/σ2],σ2是样本与样本均值的绝对值的和的平均,n表示聚类数;
S1.6:根据有效性指标计算第c个聚类时的指标S(c),如果S(c-1)>S(c-2)且S(c-1)>S(c),则聚类结束,聚类数为c=c-1;否则c=c+1,转至步骤S1.2。
3.根据权利要求1所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法,其特征在于:所述步骤S2包括以下的步骤:
S2.1:对火电厂机炉协调系统中采集的历史数据进行整理,构造模型输入数据矩阵和模型输出数据向量y;
S2.2:由式(5)计算出T-S模糊模型的后件参数:
其中,
其中,d表示第d个样本,且d=1,…N.,初始值θ(0)=0和P(0)=aI,其中I是单位矩阵,a=300,为第d个样本的输入—输出观测向量,T表示矩阵转置,其中表示第i个聚类中心与第j个输入量的隶属度,P(d)是第d个样本的协方差矩阵,K(d)是第d个样本的增益向量。
4.根据权利要求1所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法,其特征在于:所述步骤S3包括以下的步骤:
S3.1:在采样时刻k,利用测得的y(k)和上一时刻的控制信号u(k-1),将T-S模糊模型转化为状态空间描述,得到模型M(k),令M(k+i)=M(k),i=1,…,N,根据二次型性能指标函数J求出最优控制律u(k):
u(k)=u(k-1)+Δu(k)(9)
式中,Np为预测时域长度,Nu为控制时域长度,yr(t+k)为t+k时刻的参考值,为t+k时刻的预测值,Δu(t+k-1)为第t+k-1时刻的控制增量,Δu(k)为第k时刻的控制增量,u(k-1)为k-1时刻的控制量,u(k)为k时刻的控制量;
S3.2:将u(k)和y(k)代入T-S模糊模型中,计算出预测输出ym(k+1);
S3.3:判断M(k+N)是否被求出:如果是,则跳至步骤S3.4,否则,则对T-S模糊模型在工作点(ym(k+1),u(k))处转化为状态空间描述,得到模型M(k+1),令k=k+1,返回步骤S3.1;
S3.4:基于M(k),M(k+1),…M(k+N)重新求解最优控制律,也即计算出k时刻作用于系统的控制信号u(k)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610035191.4A CN105573123B (zh) | 2016-01-19 | 2016-01-19 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610035191.4A CN105573123B (zh) | 2016-01-19 | 2016-01-19 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105573123A true CN105573123A (zh) | 2016-05-11 |
CN105573123B CN105573123B (zh) | 2018-08-21 |
Family
ID=55883389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610035191.4A Active CN105573123B (zh) | 2016-01-19 | 2016-01-19 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105573123B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292277A (zh) * | 2016-08-15 | 2017-01-04 | 上海交通大学 | 基于全局滑模控制的亚临界火电机组协调控制方法 |
CN110488610A (zh) * | 2019-09-04 | 2019-11-22 | 东南大学 | 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法 |
CN112015082A (zh) * | 2020-05-13 | 2020-12-01 | 东南大学 | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 |
CN113078638A (zh) * | 2021-04-09 | 2021-07-06 | 国网湖南省电力有限公司 | 一种基于模糊模型的火电机组agc性能指标计算方法及系统 |
CN114428456A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN114488821A (zh) * | 2022-04-06 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009294879A (ja) * | 2008-06-04 | 2009-12-17 | Fuji Electric Systems Co Ltd | モデル予測制御装置 |
CN102981408A (zh) * | 2012-12-10 | 2013-03-20 | 华东交通大学 | 一种动车组运行过程建模与自适应控制方法 |
CN103019267A (zh) * | 2012-12-10 | 2013-04-03 | 华东交通大学 | 高速列车anfis建模与运行速度预测控制方法 |
CN104483832A (zh) * | 2014-08-07 | 2015-04-01 | 上海科系思工业设备有限公司 | 基于t-s模型的气动比例阀模糊滑模自适应控制方法 |
-
2016
- 2016-01-19 CN CN201610035191.4A patent/CN105573123B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009294879A (ja) * | 2008-06-04 | 2009-12-17 | Fuji Electric Systems Co Ltd | モデル予測制御装置 |
CN102981408A (zh) * | 2012-12-10 | 2013-03-20 | 华东交通大学 | 一种动车组运行过程建模与自适应控制方法 |
CN103019267A (zh) * | 2012-12-10 | 2013-04-03 | 华东交通大学 | 高速列车anfis建模与运行速度预测控制方法 |
CN104483832A (zh) * | 2014-08-07 | 2015-04-01 | 上海科系思工业设备有限公司 | 基于t-s模型的气动比例阀模糊滑模自适应控制方法 |
Non-Patent Citations (3)
Title |
---|
刘翠: "基于T-S模糊模型的非线性系统辨识", 《全国优秀硕士学位论文》 * |
段明亮等: "基于T-S模糊模型的非线性预测函数控制", 《2006中国控制与决策学术年会论文集》 * |
王智琴: "复杂热工系统的T-S模糊模型辨识研究", 《全国优秀硕士学位论文》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292277A (zh) * | 2016-08-15 | 2017-01-04 | 上海交通大学 | 基于全局滑模控制的亚临界火电机组协调控制方法 |
CN110488610A (zh) * | 2019-09-04 | 2019-11-22 | 东南大学 | 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法 |
CN110488610B (zh) * | 2019-09-04 | 2022-05-10 | 东南大学 | 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法 |
CN112015082A (zh) * | 2020-05-13 | 2020-12-01 | 东南大学 | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 |
CN112015082B (zh) * | 2020-05-13 | 2022-04-08 | 东南大学 | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 |
CN114428456A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN114428456B (zh) * | 2020-10-29 | 2024-05-14 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN113078638A (zh) * | 2021-04-09 | 2021-07-06 | 国网湖南省电力有限公司 | 一种基于模糊模型的火电机组agc性能指标计算方法及系统 |
CN113078638B (zh) * | 2021-04-09 | 2022-04-26 | 国网湖南省电力有限公司 | 一种基于模糊模型的火电机组agc性能指标计算方法及系统 |
CN114488821A (zh) * | 2022-04-06 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105573123B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105573123A (zh) | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
CN103258142B (zh) | 基于天气模式的风电场短期风速预测方法 | |
Kong et al. | An effective nonlinear multivariable HMPC for USC power plant incorporating NFN-based modeling | |
WO2023024433A1 (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN107870564B (zh) | 具有解耦性能的燃料电池抗干扰控制方法 | |
Espín et al. | A hybrid sliding mode controller approach for level control in the nuclear power plant steam generators | |
CN106530118A (zh) | 多区互联电力系统负荷频率的约束gpc优化控制方法 | |
CN117235595A (zh) | 一种基于LSTM-Attention的污水处理加药量预测方法及系统 | |
CN114137829B (zh) | 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN113091088B (zh) | 一种基于双阶段神经网络的锅炉燃烧广义预测控制方法 | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN104408531B (zh) | 一种多维多阶段复杂决策问题的均匀动态规划方法 | |
CN116151633A (zh) | 一种熔盐储能放热控制方法、系统、设备及存储介质 | |
CN114740713B (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 | |
CN113608443A (zh) | 基于增强pi控制的污水处理控制方法 | |
Jin et al. | AGC regulation capability prediction and optimization of coal-fired thermal power plants | |
CN117355710A (zh) | 一种用于控制制冷设备的方法和装置 | |
Khairunizam et al. | Energy Consumption and Energy Efficiency Prediction using Artificial Neural Network | |
CN106446495B (zh) | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 | |
CN118411003B (zh) | 多类别电力设备的负荷控制方法、系统、设备和存储介质 | |
CN117970781B (zh) | 一种逆变器智能控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |